AIエンジニアリングをゼロから深掘り：AIシステムを自作するためのオープンソースカリキュラム

このリポジトリはフレームワークでも週末のチュートリアルでもありません。これは、API呼び出しの背後にあるスタックを理解したい人々のための、レッスンフォルダ、実行可能なコード、ドキュメント、クイズ、生成されたウェブサイトデータ、エージェントスキル、プロンプト、スクリプト、貢献ルールを備えた構造化された学習システムです。

1. ai-engineering-from-scratch を一言で

AI Engineering From ScratchはオープンソースのAIカリキュラムリポジトリであり、各レッスンは概念を教え、ゼロから実装し、本番環境のライブラリと比較し、プロンプト、スキル、エージェント、またはMCPサーバーといった再利用可能な成果物を出荷することを目的としています。

2. なぜ重要か

このリポジトリが重要なのは、多くのAI開発者がAPIを呼び出すことはできても、その呼び出しの背後にある数学、モデルの挙動、検索の失敗、エージェントループ、評価ハーネス、または本番環境でのトレードオフを説明できないためです。

このカリキュラムの前提は単純です。まず自分で小規模なバージョンを構築し、それからフレームワークを使用することです。そのパターンにより、PyTorch、Transformers、LangGraph、MCP、および本番環境のRAGが魔法のようなものではなくなります。

最も適した読者は、プレイリストではなく長い道のりを歩みたいと考えている現役のエンジニアです。これは、AIへの熱意を永続的な社内能力に変えようとしているチームにとって特に重要です。

3. アーキテクチャとメンタルモデル

このリポジトリはフェーズとレッスンを中心に構成されています。各レッスンはドキュメント、コード、クイズ、出力という一貫した形式に従っており、スクリプトがレッスンを監査し、カタログを構築し、スキルをインストールし、公開ウェブサイトを生成します。

4. 最小のエンドツーエンド設定

以下のコマンドはリポジトリのドキュメントから引用し、現在の調査スナップショットと照合したものです。本番環境に導入する前に、出発点として扱い、リンク先の README も読んでください。

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch

# Run a first lesson implementation
python phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

# Install Python dependencies when needed
python -m pip install -r requirements.txt

重要なデータや大規模なワークスペースに接続する前に、小さな最初のタスクで統合を確認してください。

# Find your starting point inside a supported agent
/find-your-level

# Check a phase after studying
/check-understanding 3

# Inspect the generated catalog
python3 scripts/build_catalog.py --stdout

# Install lesson skills into a target skill directory
python3 scripts/install_skills.py <target-dir> --phase 14

# Validate lesson code without running heavy jobs
python3 scripts/lesson_run.py

5. 技術的ディープダイブ

lesson/
  docs/en.md     # explanation
  code/          # runnable implementation
  quiz.json      # check understanding
  outputs/       # prompt, skill, agent, or MCP artifact

6. 実運用での誤りと正解パターン

7. よくあるミスと現在の課題

これらのリポジトリは若く、動きが速いため、Issue Tracker は重要です。この記事では Issues をリスクシグナルとして扱い、プロジェクトが使えない証拠としては扱いません。

8. 性能、スケーリング、コストのメモ

初期のレッスンの多くは低コストで実行可能です。PyTorch、Transformers、マルチモーダルモデル、ローカル推論、ファインチューニング、またはキャップストーンシステムを含む後半のレッスンでは、より多くの計算リソースとAPIアクセスが必要になる場合があります。

実用的なセットアップとしては、レッスンを小さな単位で実行し、Pythonのバージョンを固定し、ドキュメントや依存関係の要件を確認するまでGPUやAPIを多用するレッスンの開始を控えることを推奨します。

チームの場合、このリポジトリのスクリプトとスキルはカリキュラム管理に役立ちます。フェーズの割り当て、監査の実行、選択したスキルのインストール、進捗の共有が可能であり、全員に数百ものファイルを閲覧させる必要はありません。

9. 誰に向いているか

10. コミュニティのシグナル

Web記事では、このリポジトリを大規模で無料のAIエンジニアリング参考マニュアルとして位置づけており、学位取得のような学習パスと比較されることがよくあります。一部の記事では古いレッスン数が記載されているため、数は変動するメタデータとして扱う必要があります。

Redditでの議論は、AI支援による執筆、初心者の圧倒感、APIコスト、高度なエージェントのレッスンが信頼性を十分に深く扱っているかどうかといった、期待と懐疑の両方が含まれているため有益です。

GitHubのissueトラッカーには、翻訳のPR、Rustトラックのリクエスト、クイズのバグ、レンダリングの修正、レッスンの構成、Webサイトの改善など、生きているカリキュラムが示されています。

11. 結論: 使う価値はあるか

12. 大きな流れ

このリポジトリは、AI教育における広範な是正の一環です。長年にわたるAPIファーストのデモを経て、エンジニアにはデータ、数学、モデルの挙動、評価、エージェント、プロトコル、そして本番環境での障害モードを理解することがますます求められています。

このコースが教える最も重要な習慣は、特定のアルゴリズムではありません。それは、大規模なフレームワークを信頼する前に、小さなメカニズムを構築するというパターンです。

13. よくある質問

14. 用語集

15. すべてのソースとリンク

内部リンク

• トップMCP Servers
• Agentmemoryの詳細解説
• Claude Codeベストプラクティスガイド

16. ソース帰属表